利用振动模态测量值和神经网络方法的结构损伤识别研究

提出了一种基于模态测量参数和神经网络的结构损伤检测方法,建造了两种输入方式的BP神经网络,即自振频率以及结合自振频率与振型,并讨论了不同数量的输入信息对结构损伤检测精度和计算效率的影响。证明了输入的参数越多,神经网络就越聪明,训练的收敛速度越快;以及在保证一定的测量精度的情况下,基于频率与振型的损伤识别结果要好于基于频率的检测结果。最后,通过对3层框架模型的4种损伤工况下的结构损伤检测结果的分析,认为利用模态测量参数和神经网络方法能够准确地识别结构损伤的位置,而且能较精确地识别结构损伤的大小。     

基于曲率模态和小波奇异性的结构损伤识别

传统的傅立叶变换适合确定一个函数奇异性的整体性质,而难以确定奇异点在空间的位置及分布情况.小波变换具有在时域和频域局部放大的性质,在工程中获得广泛应用.由于曲率模态具有较高的灵敏度,仅仅需要较低阶的模态信息就可获得很好的识别效果.本文据此提出了采用损伤前后曲率模态残差小波变换系数方法对结构损伤进行识别,通过该小波变换系数的分布情况来确定结构的损伤指标.为验证该方法的有效性,通过选用具有线性相位的双正交样条小波,对一梁结构进行了数值模拟.结果表明,采用该方法不但对单一损伤而且对多损伤均能有效地识别出结构的损伤位置.     

基于小波分析与子结构法的未知风荷载作用下高层剪切结构参数识别方法研究

对于未知风荷载作用下高层剪切结构,通过子结构理论将其余部分对子结构的效应作为外荷载施加给子结构,并建立风荷载作用下的动力方程。应用函数的小波多尺度逼近方法将产生低频响应的风荷载表示为尺度函数的线性组合,根据动力方程构造结构参数和低频小波系数的识别方程。用最小二乘法识别结构参数和低频小波系数,由识别的参数和结构响应计算未知激励。分析结果表明,该方法对结构参数的识别误差在2%以内,有一定的抗噪性。     

基于应变脉冲响应协方差的损伤识别方法研究

基于振动参数的结构损伤识别,是近年来土木工程的热点研究课题,振动参数包括频率、振型、频响函数、模态应变能、应变响应和加速度响应等,当结构损伤时,损伤位置附近将产生应力重分布,从而引起应变的变化,因此对比损伤前后的应变或者应变响应参数,可以用来识别结构损伤.提出了一种应变脉冲响应协方差参数,它是应变脉冲响应在时间区间上的能量积分;推导并证明了该参数是结构模态参数(频率,位移模态,应变模态,阻尼等)的函数,可用来表征结构状态.相比于传统的模态参数识别方法,可以保留更高阶的模态参数,而且避免了模态识别可能引起的误差;基于简支钢梁的多种损伤工况,研究和展示了该参数的特性,通过数值模拟发现,该参数能简单直观地判定损伤发生和识别损伤位置,无需建立结构分析模型,只需比较结构损伤前后的应变脉冲响应协方差参数即可;该参数简便易算,具有较好的抗噪性能,对结构损伤敏感,而且对结构刚度减少呈现一致变化特性,所以适合实际工程结构的健康监测和损伤识别.     

基于梁连续抗弯刚度与小波变换的结构损伤识别方法研究

为了解决基于小波变换系数难以识别结构边缘损伤的问题,以及试验中损伤对周边的影响导致小波系数难以精确定位损伤位置的问题,提出了基于梁连续抗弯刚度与小波变换的结构损伤位置识别方法。该方法结合梁结构连续抗弯刚度与小波系数边缘的特点,在未知无损梁结构振动参数的情况下,能有效识别出梁结构边缘损伤且能准确定位试验中梁结构的损伤,通过损伤梁的数值模拟与试验证明了该方法的正确性。     

基于应变模态小波变换的框架结构损伤识别研究

采用应变模态的小波变换方法研究了框架结构的损伤识别问题。以有限元分析求解含裂缝平面框架应变模态为基础,利用Guass2小波对框架的应变模态进行小波变换,再用db3小波对应变模态小波变换系数进行去噪处理,最后通过对去噪处理后的小波系数模极大值点来识别框架结构裂缝的位置,建立了基于应变模态小波变换识别平面框架损伤的方法。以一层平面框架为例,分别给出了框架梁含有裂缝、框架柱含有裂缝、框架梁和柱均含有裂缝的有限元模型,计算得到结构的应变模态,并通过应变模态小波分析来识别平面框架裂缝的位置。从识别结果发现,经小波去噪处理后应变模态小波系数的模极大值点能够有效识别框架结构的损伤,数值计算验证了方法的有效性。本文研究对工程结构损伤诊断有参考价值。     

基于时间响应函数的结构阻尼识别方法比较

研究了3种基于时间响应函数的结构阻尼识别方法, 包括对数衰减法、希尔 伯特方法和小波方法. 给出了3种方法的实现算法, 分析了对密集模态的识别能力. 构造仿真算例, 采用3种方法识别了5{\%}, 10{\%}和30{\%}噪声条件下的模态阻尼. 结果表明, 小波方法比对数衰减法和希尔伯特方法具有更好的噪声鲁棒性. 采用小波方法分析了润扬大桥结构健康监测系统获得的实测数据, 识别出了润扬大桥悬索桥前6阶模态参数, 第2阶和第3阶模态频率相差仅为0.015\,Hz. 研究表明, 小波方法具备噪声条件下密集模态的识别能力, 是工程中阻尼识别的优选方法.     

时变环境与损伤耦合下桥梁结构频率及阻尼比的统计分析

对时变环境与损伤耦合下我国某斜拉桥的结构频率及阻尼比进行统计分析,以提高结构损伤识别的精度.首先,利用该桥的长期监测数据,采用环境激励技术结合特征系统实现算法识别该桥梁结构的频率及阻尼比;其次,利用人工神经网络算法建立该桥梁结构的环境温度与结构频率及阻尼比的关系模型;然后,通过统计分析,建立完好状态下该桥梁结构模态参数误差因子的概率分布模型;最后,通过分析不同时段与完好结构状态下该桥梁结构模态参数误差因子的相交概率比识别结构损伤,并利用该桥的实测结果验证所提算法的有效性.     

基于Rayleigh-Ritz算法的梁裂缝损伤识别及试验研究

结构动态特性的变化则预示结构出现损伤，基于Ritz线性近似，文中提出一种裂缝损伤识别的方法，用以识别结构裂缝损伤位置及损伤程度。该方法分两步：首先用模态子空间近似关系．消去模态应变能表达式中的整体刚度矩阵和整体质量矩阵，避免模型误差对识别结果的影响。再采用计算向量空间夹角的方法分离损伤位置与损伤程度的耦合影响，进而识别出单元裂缝损伤位置；其次，识别损伤程度采用二次线性规划方法，不再计算特征值灵敏度。线性约束条件保证了二次规划问题的解是唯一的。模拟筒支梁几种裂缝损伤情况进行数值计算与模态试验，利用所得模态参数对该算法程序进行了验证，识别出了裂缝损伤的确切位置及损伤程度，并进行了误差对比。结果表明，该算法由于不用整体结构的数值模型，从而避免了边界条件、连接条件及材料特性参数等因素对识别结果的干扰，识别精度得到提高，将其用于结构损伤识别是可行的。     

环境温度影响下基于LSTM神经网络识别结构损伤

环境温度的改变会引起模态参数的变化,其变化程度会掩盖或部分掩盖损伤引起的变化量,导致结构健康监测系统发出假阳性或假阴性的误判,因此,消除温度效应是提高损伤识别精度的关键。本文基于LSTM神经网络提出了一种环境温度影响下识别结构损伤的方法。充分利用LSTM神经网络的非线性映射优势,建立多元温度-模态频率的相关模型,在此基础上采用数据标准化方法消除温度效应,并结合控制图判断模态频率异常变化以确定损伤状况。最后将所提方法在数值模型和实际桥梁中加以应用,结果表明,方法能够有效消除温度效应;结合控制图能识别损伤时刻,并具有一定的抗噪性;在实桥数据分析中仍能表现出较好的损伤敏感性。     

基于应变模态和稀疏贝叶斯学习的网架结构损伤识别

传统稀疏贝叶斯学习算法进行损伤识别时需要对每个单元进行刚度损伤系数的迭代更新,当结构单元众多时,存在计算效率低和对振型的完备性要求高等问题.本文提出了损伤识别两步法,首先利用应变模态差指标进行疑似损伤单元的判断;接着以单元刚度损伤系数为目标参数,建立结构损伤识别的多层次稀疏贝叶斯学习模型,利用稀疏贝叶斯学习算法进一步识...     

灰色系统模型在结构损伤识别中的应用

开发结构健康监测系统是结构损伤识别的一个重要课题。由于建筑结构具有很多不确定因素，通过模态分析识别结构损伤的精度很难保证。本文提出一种灰色系统模型应用于结构损伤识别的方法。建立频率变化率和刚度变化的灰色系统模型，把一阶单变量的灰色模型(M(1，1))作为频率变化率和刚度变化之间的系统，通过一阶单变量的灰色模型(M(1，1))预测来体现结构动力指纹的整体功能，确定频率变化率和刚度变化之间的关系变量。为了验证理论，对多种工况进行了框架结构模型的振动试验并对结果进行了分析。试验结果表明：对于层间剪切结构，通过测量结构频率变化，建立的灰色系统模型可以较准确地确定结构的损伤位置和损伤程度，并使识别精度得到有效提高。     

组合神经网络在结构损伤检测中的应用

子结构的动态响应变化与整体结构相比,对结构内部损伤反应更为敏感。组合神经网络可以克服单个神经网络功能的单一局限性,实现更加全面综合的仿真识别功能。本文首先运用双协调自由界面模态综合法对结构进行模态分析,获取各子结构及整体结构的模态信息。然后,通过组合BP神经网络将损伤子结构与整体结构的模态频率变化率组合起来进行结构损伤检测。该方法在改善网络训练性能的同时,提高了检测结果的准确性和可靠性。文章最后通过数值算例验证了该方法的可行性和有效性。     

基于应变能等效指标的结构损伤识别技术研究

为了解决结构的多损伤识别问题,提出了一种基于应变能等效指标的损伤识别方法。首先给出了损伤前后模态应变能变化的表达式以及能量耗散公式,然后根据结构的能量耗散与应变能的变化值等价的原理,建立了一个四阶等效方程,最后求出了该方程的四个根,并通过对该方程四个根的分析得到了一个应变能等效指标,通过该指标可以方便的求解损伤的位置和程度。数值仿真结果表明,基于应变能等效指标的损伤识别方法不仅可以精确的识别出损伤的位置和程度,而且其识别精度明显好于应变能耗散率方法。     

结构损伤的小波分形神经网络检测

用神经网络进行结构损伤检测、分析的有效性在很大程度上取决于训练样本的好坏。小波变换在时域和频域都具有表征信号局部特征的能力,小波包分析利用可以伸缩和平移的可变视窗能够聚焦到信号的任意细节,因此对有损伤的结构的非线性动力特性能进行有效的分析。利用分形几何方法不依赖于系统的数学模型的特点,将分形维数与小波分析相结合,建立了结构损伤的小波分形神经网络检测方法。研究结果表明,结构不同状态下的振动信号的各频段分形维数有明显的不同,可以将振动信号的各频段分形维数作为结构损伤检测的特征量,并用神经网络将结构的不同状态模式识别出来。     

Displacement modal identification method of elastic system under operational condition

Modal identification of engineering structure in operation deals with the estimation of modal parameters from vibration data obtained in working conditions rather than laboratory conditions. After one structure destruction during a flight test, it was strongly required to carry out full-scale model testing to acquire the low-frequency vibration acceleration data of the investigated rocket (its structural dynamic properties could be represented by a beam). These vibration data were used to assess the modal properties of the modified structure. In this paper, a new modal identification method based on vibration displacement is suggested. The displacements of the measured points on the rocket are obtained by the integration of the low-frequency vibration accelerations during free flight test. In the method, the data are filtered through wavelet transform. For comparison, several methods are used to extract the modal frequencies of the investigated beam. In terms of the results of standard deviation of identified frequencies, it is believed that the generalized displacement-based modal identification method is more practicable in modal identification for similar problems.     

Wavelet packet based damage identification of beam structures

Most of vibration-based damage detection methods require the modal properties that are obtained from measured signals through the system identification techniques. However, the modal properties such as natural frequencies and mode shapes are not such a good sensitive indication of structural damage. The wavelet packet transform (WPT) is a mathematical tool that has a special advantage over the traditional Fourier transform in analyzing non-stationary signals. It adopts redundant basis functions and hence can provide an arbitrary time-frequency resolution. In this study, a damage detection index called wavelet packet energy rate index (WPERI), is proposed for the damage detection of beam structures. The measured dynamic signals are decomposed into the wavelet packet components and the wavelet energy rate index is computed to indicate the structural damage. The proposed damage identification method is firstly illustrated with a simulated simply supported beam and the identified damage is satisfactory with assumed damage. Afterward, the method is applied to the tested steel beams with three damage scenarios in the laboratory. Despite the noise is present for real measurement data, the identified damage pattern is comparable with the tests. Both simulated and experimental studies demonstrated that the WPT-based energy rate index is a good candidate index that is sensitive to structural local damage.